Fütürist Serisi

İnsan Genom Dizileme ve Derin Öğrenme (AI) ile Kişiselleştirilmiş Sağlık Hizmetlerinin Devrimsel Potansiyeli

Antoine Tardif
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Öne çıkan noktalarUlusal genom verileri üzerinde derin öğrenme, erken kanser teşhisi yoluyla ABD sağlık…
Daha fazla göster
  • Ulusal genom verileri üzerinde derin öğrenme, erken kanser teşhisi yoluyla ABD sağlık sistemine yıllık 26 milyar dolar tasarruf sağlayabilir.
  • Birleşik öğrenme, yapay zekanın nadir hastalıklar için genetik verileri analiz etmesine olanak tanırken, hastaların kişisel olarak tanımlanabilir bilgilerini paylaşmaz.
  • Kanada'nın çeşitli göçmen nüfusu, onu yapay zeka önyargısından kaçınma ve kişiselleştirilmiş genomik sağlık hizmetlerinde liderlik etme konumuna getiriyor.

İlk insan genomunun dizilenmesi, 2,7 milyar dolara mal olan ve tamamlanması yaklaşık 15 yıl süren büyük bir kamu girişimiydi. Bir insan genomunun dizilenmesinin güncel maliyeti çarpıcı biçimde düştü. Maliyet, 2015 yılında 4.000 dolardan bugün 300 doların altına indi.

Bazı genom şirketleri, maliyeti 100 doların altına düşürme hedefini koydu. Bu fiyatlarla, bir insan genomunun dizilenmemesinin ihmalkâr olup olmadığı sorusu ortaya çıkıyor.

Bir çalışma, kanserin erken teşhisinin Amerikan sağlık sistemine yılda ortalama 26 milyar dolar tasarruf sağlayabileceğini buldu. Buna karşılık, her Amerikalının genomunun dizilenmesi tek seferlik 100 milyar dolara mal olacaktır; ölçek ekonomileri hesaba katılırsa bu maliyet daha da düşebilir.

Kansere genetik yatkınlıkların bulunması dışında, genom dizileme, tek gen kalıtımı, çok faktörlü kalıtım, kromozom anormallikleri ve mitokondri kalıtımı gibi birden fazla türde kalıtsal bozukluklarla ilgili hastalıkların belirlenmesinde doğrudan ilgili.

Şimdi, makine öğreniminin bir alt kümesi olan derin öğrenmenin bu genetik bilgi hazinesini analiz etmenin faydalarını hayal edelim.

Beynin sinir ağlarından kabaca esinlenen derin öğrenme, veri bilimcilerinin güvendiği en önemli araçlardan biridir. Derin öğrenme, veri analizinde kullanılan bir tekniktir ve sofistike modeller oluşturmak için kalıp tanıma kullanır. Bu modeller, kompleks kalıpları öğrenebilir ve bu kalıpları veri noktalarını tanımlamak için genelleştirebilir. Bu veri noktaları karmaşık olabilir ve derin öğrenme sistemi ne kadar çok veri ile çalışırsa, sonuçlar o kadar etkileyici olur.

Tüm bir nüfusun verilerini bir derin öğrenme sistemine aktararak, makine öğrenimi algoritmaları, kanser veya diğer hastalıklar için potansiyel biyobelirteçleri tanımlayabilir. Ayrıca, sistem, genetik aile ağaçlarını derinlemesine inceleyerek, hangi genlerin farklı özellikler veya rahatsızlıklar için sorumlu olduğunu belirleyebilir.

Bu, AI uygulayıcıları için devrim niteliğinde değil, sorun, onlarca yıllık teknolojiye dayanan ve bazen faks makineleri kullanarak hasta verilerini gönderen eski hükümetlere olan bağımlılığımız. Bu eski sistemi modernleştirmek zamanı geldi.

Şimdi, bir sonraki doktor ziyaretinizde, doktorunuz sizin genomunuzu anında erişebilir ve son semptomlarınızı bir bilgisayara girebilir ve AI, tedavi seçenekleri için önerilerle sonuçları anında döndürebilir. Giyilebilir cihazlar ile gerçek zamanlı sağlık verilerini izleyerek, doktor ziyaretleri bile gereksiz olabilir.

En etkili çözüm, sağlık personelinin genetik danışmanlık eğitimi alması olacaktır. Genetik danışmanlık, genetik bozukluklardan etkilenen veya bu bozukluklar açısından risk altında olan bireylerin ve soylarının incelenmesi sürecidir. Genetik danışmanlığın en önemli adımı, bireyin genetik profiline dayanarak en iyi tedavi seçeneklerini önermektir.

Diğer bir fayda, ihmal edilen nadir hastalıklara odaklanmaktır. Nadir bir hastalık, genel nüfusa kıyasla az sayıda insanı etkileyen bir sağlık durumudur. Bu nadir hastalıklar, geleneksel yöntemlerle hedeflenmeleri çok pahalı olabilir.

Derin öğrenme sistemi, genetik profilleri (veri kümeleri) karşılaştırarak, bu nadir hastalıkların genetik öncüllerini potansiyel olarak tanımlayabilir. Sadece nadir hastalıklar, 30 milyon Amerikalıyı etkileyen ve ABD tıbbi sistemine yılda 1 trilyon dolar maliyeti olan bir sorundur .

Yukarda bahsedilenlere karşı geçerli bir argüman, potansiyel kullanıcı gizliliği kaybı olabilir. Bu endişeler, federe öğrenme olarak adlandırılan gelişmiş bir makine öğrenimi türü kullanılarak giderilebilir. Federe öğrenme ile, herhangi bir kişisel olarak tanımlanabilir veriyi paylaşmaya gerek yoktur. Federe öğrenme, makine öğrenimi modellerini veri kaynağına getirir ve verilerin güvenli bir konumda depolanmasını sağlar. Gizlilik endişelerini azaltmak için basit bir çözüm, bir hasta veya ebeveynin, kişisel olarak tanımlanabilir verilere erişimi onaylaması olabilir.

Bu tür bir çözüm, kişiselleştirilmiş ilaçları pazara sürmek için çok önemli olabilir. Bir bireyde hangi moleküllerin hedefleneceğini bilmek, tam olarak kişiselleştirilmiş tıbbı gerçekleştirmek için önemlidir.

Kişiselleştirilmiş sağlık hizmetleri, ilaçların, bireysel dozajlara, şekillere, boyutlara ve salım özelliklerine göre 3D yazdırılmasıyla sonuçlanacaktır. Sadece cinsiyet, kilo ve diğer fiziksel değişkenler dikkate alınmayacak, ayrıca ilaçlar, belirli popülasyon gruplarına ait genomlara özgü belirli molekülleri hedeflemek üzere tasarlanabilecektir.

Derin öğrenme, bir ilacın ve hedef molekülün bağlanmasını başarıyla tahmin etmek için kullanıldı. Bu, Kore’deki Gwangju Bilim ve Teknoloji Enstitüsü’ndeki araştırmacılar tarafından test edildi ve Journal of Cheminformatics‘te yayımlandı.

Parçalı bir özel sağlık sistemi, yukarda bahsedilenlerle mücadele edebilir, ancak bu senaryo, özellikle kamu sağlık sistemlerinde, büyük ve iddialı atılımları hedefleyen hırslı politikacılar tarafından bugün test edilebilir.

Estonya, bu alanda liderlik ediyor. Estonya Genom Projesi, Eston nüfusunun büyük bir kısmının sağlık kayıtlarını içeren bir popülasyon bazlı biyolojik veritabanı ve biyobanktır. İsrail Genom Projesi, İsrail nüfusunun 100.000’den fazla üyesini dizilemek için başka bir hırslı projedir.

Bu alanda açık lider, İngiltere’dir. Genomics England, NHS ile birlikte, doktorlar ve klinisyenlerin nadir hastalıklar ve kanser gibi hastalıkları teşhis etmek, tedavi etmek ve önlemek için genomik testleri sunmak ve sürekli olarak geliştirmek için işbirliği yapıyor. Ayrıca, 100.000 kişiyi dizileme hedefleri var.

Yukarda bahsedilen ulusal veritabanlarının bir sorunu, dizilenen popülasyonların hâlâ nispeten küçük olması. Daha büyük bir veri kümesi, AI sisteminin verilerdeki örüntüleri tanımlarken daha yüksek bir performansla sonuçlanacaktır. Daha da önemlisi, bu, tüm bir popülasyon için sağlık hizmetlerine eşit erişimi sağlayacaktır.

Ayrıca, etnik açıdan daha çeşitli veriler, olası yapay zekâ yanlılığı sorunlarını önlemeye yardımcı olacaktır. Yapay zekâ yanlılığı, genetik çeşitlilik de dahil olmak üzere çeşitlilikten yoksun verilerden kaynaklanır. Örneğin Kanada, dünyadaki en büyük göçmen nüfuslarından birine sahip olması ve nüfusunun %20’sinin yurt dışında doğmuş olması nedeniyle bundan yararlanmak için iyi bir konumdadır. Bu, etnik çeşitlilik eksikliği yaşayan Estonya ve İsrail sistemleriyle tezat oluşturur.

Genom dizilemesini standartlaştırmak ve derin öğrenmeyi kullanmak, Kanada sağlık sistemi için büyük mali tasarruflar ve sağlık faydaları sağlayabilir. Kanadalılar tarafından uzun bekleme süreleri nedeniyle sıklıkla işlevsiz olarak nitelendirilen bir sistem.

Yukarda bahsedilenler, hırslı düşünmeyi gerektiriyor, ancak herhangi bir ülke bu iddialı atılım yaklaşımını benimserse, vergi mükelleflerine para tasarrufu sağlayacak, geleceğe yatırım yapacak, yaşam kalitesini artıracak ve genel nüfusun ömrünü uzatacak – Tüm bunları yaparken, kişiselleştirilmiş sağlık hizmetlerine ve tıbba eşit erişim sunmada dünya liderliğini sağlayarak.

Antoine, Unite.AI'nin vizyoner lideri ve kurucu ortağıdır. Yapay zekâ ve robotiğin geleceğini şekillendirmeye ve ilerletmeye yönelik sarsılmaz bir tutku taşır. Birden fazla şirket kurmuş bir girişimci olarak yapay zekânın toplumu elektrik kadar köklü biçimde dönüştüreceğine inanır ve çığır açan teknolojiler ile yapay genel zekânın (AGI) potansiyelinden sık sık heyecanla söz eder.

Bir fütürist olarak bu yeniliklerin dünyamızı nasıl şekillendireceğini araştırmaya kendini adamıştır. Ayrıca geleceği yeniden tanımlayan ve tüm sektörleri dönüştüren ileri teknolojilere yatırım yapmaya odaklanan Securities.io platformunun kurucusudur.